问题分析:
1、爬取网站时经常会遇到需要登录的问题,这是就需要用到模拟登录的相关方法。python提供了强大的url库,想做到这个并不难。这里以登录学校教务系统为例,做一个简单的例子。
2、首先得明白cookie的作用,cookie是某些网站为了辨别用户身份、进行session跟踪而储存在用户本地终端上的数据。因此我们需要用Cookielib模块来保持网站的cookie。
3、这个是要登陆的地址 http://202.115.80.153/ 和验证码地址 http://202.115.80.153/CheckCode.aspx
4、可以发现这个验证码是动态更新的每次打开都不一样,一般这种验证码和cookie是同步的。其次想识别验证码肯定是吃力不讨好的事,因此我们的思路是首先访问验证码页面,保存验证码、获取cookie用于登录,然后再直接向登录地址post数据。
5、首先通过抓包工具或者火狐或者谷歌浏览器分析登录页面需要post的request和header信息。以谷歌浏览器为例。
从中可以看出需要post的url并不是访问的页面,而是http://202.115.80.153/default2.aspx,
其中需要提交的表单数据中txtUserName和TextBox2分别用户名和密码。
现在直接到关键部分 上代码!!
1 import urllib2
2 import cookielib
3 import urllib
4 import re
5 import sys
6 '''模拟登录'''
7 reload(sys)
8 sys.setdefaultencoding("utf-8")
9 # 防止中文报错
10 CaptchaUrl = "http://202.115.80.153/CheckCode.aspx"
11 PostUrl = "http://202.115.80.153/default2.aspx"
12 # 验证码地址和post地址
13 cookie = cookielib.CookieJar()
14 handler = urllib2.HTTPCookieProcessor(cookie)
15 opener = urllib2.build_opener(handler)
16 # 将cookies绑定到一个opener cookie由cookielib自动管理
17 username = 'username'
18 password = 'password123'
19 # 用户名和密码
20 picture = opener.open(CaptchaUrl).read()
21 # 用openr访问验证码地址,获取cookie
22 local = open('e:/image.jpg', 'wb')
23 local.write(picture)
24 local.close()
25 # 保存验证码到本地
26 SecretCode = raw_input('输入验证码: ')
27 # 打开保存的验证码图片 输入
28 postData = {
29 '__VIEWSTATE': 'dDwyODE2NTM0OTg7Oz6pH0TWZk5t0lupp/tlA1L+rmL83g==',
30 'txtUserName': username,
31 'TextBox2': password,
32 'txtSecretCode': SecretCode,
33 'RadioButtonList1': '学生',
34 'Button1': '',
35 'lbLanguage': '',
36 'hidPdrs': '',
37 'hidsc': '',
38 }
39 # 根据抓包信息 构造表单
40 headers = {
41 'Accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,image/webp,*/*;q=0.8',
42 'Accept-Language': 'zh-CN,zh;q=0.8',
43 'Connection': 'keep-alive',
44 'Content-Type': 'application/x-www-form-urlencoded',
45 'User-Agent': 'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/46.0.2490.86 Safari/537.36',
46 }
47 # 根据抓包信息 构造headers
48 data = urllib.urlencode(postData)
49 # 生成post数据 ?key1=value1&key2=value2的形式
50 request = urllib2.Request(PostUrl, data, headers)
51 # 构造request请求
52 try:
53 response = opener.open(request)
54 result = response.read().decode('gb2312')
55 # 由于该网页是gb2312的编码,所以需要解码
56 print result
57 # 打印登录后的页面
58 except urllib2.HTTPError, e:
59 print e.code
60 # 利用之前存有cookie的opener登录页面
登录成功后便可以利用该openr访问其他需要登录才能访问的页面。